Model-Based Parameter Identification of Healthy and Aged Li-ion Batteries for Electric Vehicle Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Electric vehicles are receiving considerable attention because they offer a more efficient and sustainable transportation alternative compared to conventional fossil-fuel powered vehicles. Since the battery pack represents the primary energy storage component in an electric vehicle powertrain, it requires accurate monitoring and control. In order to effectively estimate the battery pack critical parameters such as the battery state of charge (SOC), state of health (SOH), and remaining capacity, a high-fidelity battery model is needed as part of a robust SOC estimation strategy. As the battery degrades, model parameters significantly change, and this model needs to account for all operating conditions throughout the battery's lifespan. For effective battery management system design, it is critical that the physical model adapts to parameter changes due to aging.</div><div class="htmlview paragraph">In this paper, we present an effective method for offline battery model parameter estimation at various battery states of health. An equivalent circuit with one voltage source, one resistance in series, and several RC pairs modeled the battery charging and discharging dynamics throughout the lifespan of the battery. Accelerated aging tests using real-world driving cycles simulated battery usage. Three lithium nickel-manganese-cobalt oxide (LiNiMnCoO2) cells were tested at temperatures between 35°C and 40°C, with interruptions at every 5% capacity degradation to run reference performance tests for tracking changes in the battery model parameters. The equivalent circuit-based model was validated using real-world driving cycles. The parameter estimation procedure resulted in an efficient model that keeps track of the battery evolution as it ages.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle